Привет! Отвечаем на вопросы по кредитному скорингу — саму задачу публиковали вот тут:

1️⃣ Какой тип модели подходит для задачи: классификация или регрессия? Почему?

Для задачи кредитного скоринга обычно используют бинарную классификацию, так как модель должна предсказать, выйдет ли заёмщик в дефолт (1 — дефолт, 0 — надёжный клиент). Более того, построив вероятностную модель бинарной классификации, которая на выходе выдает вероятность дефолта, можно принимать решение о выдаче кредита или отказе по заранее выбранному порогу, балансируя риски.

2️⃣ Какие метрики используете, чтобы оценить качество предсказаний?

В скоринговых задачах важно учитывать не только общий процент правильных ответов (accuracy), но и ранжирующую способность моделей, и баланс между разными типами ошибок. Поэтому наиболее часто используемые метрики:

🟠 ROC-AUC (Area Under Curve) — интегральная оценка качества ранжирования. Она нечувствительна к изменению порога классификации.
🟠 Коэффициент Джини (Gini) — производная от ROC-AUC. Часто используется регуляторами и банками, характеризует «отделимость» надёжных клиентов от рискованных.​
🟠 Также ценно посмотреть на Precision и Recall для «дефолтов» и матрицу ошибок, которая позволяет увидеть баланс между ошибками в обе стороны (false positive / false negative).

В целом же выбор метрики и интерпретация её значений зависит от бизнес-задачи. Иногда важнее снижение рисков (например, минимизация false negative-ошибок), иногда — рост объёма кредитов (максимизация recall).

3️⃣ Какие возможные проблемы могут возникнуть при построении такой модели?

Точно стоит учесть типовые моменты, такие как:

🟠 Несбалансированность классов. Всё-таки больше людей возвращают кредиты, чем выходят в дефолт, поэтому в распределении целевой переменной есть дисбаланс и требуется использование специальных техник сэмплирования или корректировка весов классов на уровне модели / функции потерь.
🟠 Недостаточная интерпретируемость. Для банковских моделей важна способность объяснить решение, а сложные ML-методы (например, нейросети) в этом плане уступают более простым моделям.
🟠 Некорректное разделение обучающей и тестовой выборок или ошибки в построении схемы валидации могут приводить к завышению метрик. Например, если в данных есть признак «сумма задолженности через 6 месяцев после выдачи кредита», то модель использует его для предсказания и покажет хорошее качество на валидации, однако в боевых условиях таких данных по заемщику не будет — это проблема неправильного разделения выборки.
🟠 Изменчивость данных. Поведение клиентов и распределение их характеристик может меняться во времени, а, значит, модель быстро устаревает и деградирует.
🟠 Правовые и этические ограничения. Иногда так бывает, что не все данные из имеющихся можно использовать по этическим причинам или юридическим ограничениям.

📊 Simulative

Отлично, вы собрали все необходимые данные, чтобы сделать свой первый дашборд!

Нажмите на график, чтобы добавить его в Metabase → 📊

📊 Simulative

Гайд по JOIN в SQL: виды и примеры

Когда вы начинаете работать с данными, быстро становится ясно: нужная информация часто разбросана по разным таблицам. В Excel это решается с помощью ВПР, а в SQL — через оператор JOIN.

➡️ JOIN (от англ. join — «соединять») позволяет объединять таблицы и собирать данные в одну выборку. Это один из самых частых операторов, без которого не обходится ни один аналитик.

Из нашего гайда вы узнаете:
🟠 Какие бывают типы JOIN и чем они отличаются;
🟠 Как писать запросы с JOIN под разные задачи;
🟠 Как оптимизировать JOIN, чтобы запросы выполнялись быстрее.

Материал поможет вам уверенно работать с объединением таблиц и лучше понимать, как устроены связи в данных. Сохраняйте гайд, чтобы не искать примеры в спешке перед дедлайном 😉

✅ Получить материал

📊 Simulative

Почему нейросети галлюцинируют, и как RAG всё исправит

Привет! Ментор курса ML-инженер Кристина Желтова на связи 👋

Вы когда-нибудь замечали, что GPT-модели иногда могут очень уверенно нести полную ерунду? Очень убедительную, логичную, красиво оформленную, но абсолютную неправду. Такое явление называется галлюцинацией и это одна из самых главных проблем больших языковых моделей.

Почему так происходит?

Представьте, что GPT — это человек, который прочитал и запомнил миллиарды текстов, но его обучение закончилось в апреле 2025 года. И теперь у него в голове только этот срез знаний о мире. Кроме того, у модели может не быть специфичных знаний лично о вас или внутренних процессах вашей компании, но ответ-то генерировать надо, и тогда GPT начинает придумывать ответы, которые лишь похожи на правду.

💡 При этом есть способ, позволяющий наполнить модель актуальной информацией прямо во время генерации ответа — RAG (Retrieval-Augmented Generation). Общий принцип довольно прост: в момент обработки пользовательского запроса ищем релевантную для составления информацию в базе знаний (например, документы компании, инструкции, отчеты и т. п.), найденную информацию передаём в контекст модели вместе с запросом, и тогда модель отвечает, уже имея на руках корректные данные.

RAG помогает в автоматизации клиентской поддержки, при создании корпоративных чат-ботов, составлении аналитики и отчетности по внутренним данным, но так ли всё просто, как звучит, и как построить такой пайплайн? Обсудим это на вебинаре уже завтра, 29 октября 👇

➡️ Зарегистрироваться на вебинар

📊 Simulative

🤌 BI-мальчик: строит графики, чтобы было красиво
💪 BI-мужчина: с помощью дашбордов отвечает на вопросы бизнеса

Многие начинающие BI-аналитики думают, что их задача — просто красиво визуализировать данные. Но настоящий профессионал начинает не с графиков, а с вопроса: «Что нужно узнать бизнесу?».

На вебинаре с автором канала Power BI Design Марией Гирда вы увидите, как рождаются такие дашборды — от бизнес-вопроса до живого дашборда, шаг за шагом: от формулировки цели через принципы и методологию построения дашбордов до конечного решения.

На вебинаре построим собственный отчёт в Fastboard и на его примере разберём:
🟠 Как BI-аналитик помогает бизнесу видеть не цифры, а решения;
🟠 Как из бизнес-вопроса сделать структуру отчёта или дашборда;
🟠 Какие ошибки делают новички и как их избежать;
🟠 Как визуализировать данные, чтобы инсайты были очевидны без пояснений;
🟠 Почему BI-аналитика — самый понятный и доступный старт карьеры в IT.

❗️ Встречаемся 31 октября в 19:00 МСК

⚡️ Всем зарегистрировавшимся дарим полезность — чек-лист самопроверки до создания дашборда!

➡️ Зарегистрироваться на вебинар

📊 Simulative

📢 Расскажите о своём опыте обучения у нас и участвуйте в конкурсе!

Мы регулярно публикуем отзывы о нас и ценим вашу обратную связь. Пришла пора рассказать об этом всему миру!

Если вы учились на курсах Simulative или просто посещали наши бесплатные мероприятия или проходили бесплатные курсы, то этот конкурс для вас!

Что нужно сделать, чтобы принять участие:
1️⃣ Быть подписанным на наш Telegram-канал @simulative_official;
2️⃣ Оставить честный и развёрнутый отзыв (больше 3-х предложений) на любой из этих площадок: Tutortop, Сравни.ру, открытые каналы в Telegram и страницы ВКонтакте;
3️⃣ Отправить ссылку на ваш отзыв в нашего бота;
4️⃣ Ждать результатов!

Больше отзывов — больше шансов выиграть приз!

Среди участников разыграем 3 приза:

👑 Консультация с HR или экспертом курса на 60 мин по развитию карьеры;
👑 Подписка на 3 месяца на сервис для аналитиков IT resume;
👑 Большой промокод на скидку на следующий курс (больше нашей обычной скидки!).

🕐 Отзывы принимаем до 10 ноября 23:59 МСК.

Итоги подведём 11 ноября здесь, в Telegram-канале, с помощью рандомайзера. Желаем удачи!

📊 Simulative

Привет! Меня зовут Вячеслав Потапов, и я новый ментор потоков «Аналитика данных» и «BI-аналитика» в Simulative 👋

Я руковожу отделом продуктовой аналитики в Lamoda, где вместе с командой аналитиков помогаем продукту принимать правильные решения, оценивать изменения, искать точки роста. Для этого мы строим системы метрик, проводим десятки A/B в месяц и строим информативные дашборды для наших партнёров-продактов.

За последние годы я помогал выстраивать аналитику в Lamoda, Leroy Merlin и «Метр Квадратный».

Что я делал как руководитель и практик:

🟠 Выстраивал продуктовую аналитику: события, продуктовая воронка, атрибуция, метрики продукта.
🟠 Развивал BI-ландшафт: DWH, витрины, стандарты визуализации и дашбордов для принятия решений.
🟠 Развивал A/B-тестирование: дизайнил A/B-тесты, внедрял sanity-чеки, занимался интерпретацией результатов.
🟠 Обеспечивал качество данных: внедрял SLA на отчёты и тесты данных. Внедрял дата-каталог единый «источник правды» для бизнеса.
🟠 Развивал людей и процессы: нанимал и растил специалистов, оценивал их компетенции, внедрял процессы code review, выстраивал коммуникацию с продуктом и бизнесом.

Теперь присоединился к Simulative как ментор направлений — будем говорить о том, как аналитика влияет на продукт, деньги и стратегию, и как из просто цифр сделать реальные решения.

Рад буду познакомиться с вами на курсе! Задавайте вопросы в комментариях и бронируйте место на потоке по ссылке ниже 👇

🔗 Записаться на поток аналитика данных или BI-аналитика

📊 Simulative

А тем временем напоминаем: через час — вебинар по созданию своего ChatGPT 👑

Вместе с ментором потока «ML-инженер» Кристиной Желтовой соберём простую RAG-систему, которая помогает модели не выдумывать ответы, а искать нужную информацию в источниках и объяснять её своими словами.

➡️ Зарегистрироваться на вебинар

📊 Simulative

Вебинар в октябре: проходит
Я, не успевший его посмотреть: 🗿🗿🗿

Не беда, мы успели всё сохранить! Переходите по ссылке и получите записи вебинаров по визуализациям в Python, ELT-процессам и росту в профессии 💡

😶 Забрать записи вебинаров

📊 Simulative

Чёрная пятница в Simulative: скидки до 35% на все курсы

Какой ноябрь — и без выгодных предложений! С 31 октября по 15 ноября вы можете воспользоваться скидкой до 35% на наши платные курсы: «Аналитик данных», «BI-аналитик», «Инженер данных», «ML-инженер» и «Fullstack-аналитик».

Оставьте заявку до 15 ноября и начните свой путь к успешной карьере с Simulative!

➡️ Оставить заявку

📊 Simulative